DEDALUS & ICARUS: Image Privacy Classification Systems with Risk Oriented Explanations
Notice bibliographique
Résumé
The rise of online image sharing raises significant privacy concerns, as users may inadvertently disclose sensitive personal information. This paper introduces two Artificial Intelligence-driven systems, DEDALUS and ICARUS, designed to enhance user awareness and information security. DEDALUS is a modular image privacy classification system with advanced explainability capabilities. Its classification module, based on a voting ensemble of vision models, achieves good performance on an extended version of the PrivacyAlert dataset. Its explainability module combines a Large Language Model (LLM)-based risk assessment with LIME to interpret visual model decisions. To illustrate how DEDALUS’s capabilities can be integrated into a broader privacy-preserving application, we also introduce ICARUS, a system specialized in detecting privacy-related disclosures. It uses a vision model trained on a custom dataset to identify images containing Personally Identifiable Information (PII), and integrates the DEDALUS classifier via API chaining to issue user-friendly warnings. Two proof-of-concept applications are proposed: DEDALUS Workbench, for model analysis and dataset creation, and ICARUS Watcher, which simulates image sharing in unsecured environments. The ICARUS API, used in the Watcher demo, monitors image-sharing activity and issues alerts for both PII detection and private image classification. Together, these systems contribute to computer vision, AI ethics, and digital privacy by offering a novel approach to mitigating the risks associated with sharing sensitive visual content.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».